Yapay sinir ağları ve cevap yüzeyi metotları ile kalay kaplama sürecinde kalınlık tahmini

Abstract

Kalay Kaplama süreci, tel çekme sanayisinde önemli bir yer teşkil etmektedir. Elektrik ve elektronikteki gelişmeye bağlı olarak kalaylı telin kullanım alanının genişlemesi, yüksek talep miktarı ve üretim sürecinin karmaşık olmayışı nedeniyle yaygın olarak üretilmektedir. Literatürdeki çalışmalar kaplama kalitesi, ürünün iletkenliği ve katkı malzemelerinin kaplama üzerine etkileri konularında yoğunlaşmıştır. Tabi bu çalışmaların hepsi dolaylı veya direk olarak üretim maliyetini azaltmaya yönelik çalışmalardır. Üretime başlamak için kullanılan parametreler, deneysel verilere dayanmaktadır. Üretim ortamındaki şartların değişken olması sebebiyle kalay kalınlığı istenilen sınırlar dahilinde elde edilememektedir. Bu tezde, elde edilmek istenen kalay kaplama kalınlığına doğru ve hızlı bir şekilde ulaşmak amaçlanmıştır. Bu amaç doğrultusunda toplanan veriler, Yapay Sinir Ağlan (Artificial Neural Network) ve Cevap Yüzeyi (Response Surface) metotları yardımı ile üretim ön hazırlık değerlerini tahmin eden matematiksel modeller oluşturulmasında kullanılmıştır. Sonuç olarak Cevap Yüzeyi metodu ile altıncı dereceden polinom kullanılarak oluşturulan matematiksel model % 4.9 yanılma oranı vererek başarılı olmuştur.Tin plating process, takes an important place in wire drawing industry. Usage of tin-plated wire grows wider according to the development of Electrical and Electronical Industry. High demand and easy production process makes tin plated wire production mostly preferred. Researches in the litterateur focus on plating quality, conductivity of product and the effects of additives on plating. All these researches are directed towards low cost production. The parameters required for production are based on experimental data. Since production conditions can vary, coating thickness is very difficult to achieve within the required limits. In this study, to reach directly to the required coating thickness is targeted. Using Artificial Neural Network and Response Surface methods exploiting the experimental data are utilized to create mathematical models to predict coating thickness.